免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

import pandas as pdimport numpy as np

一、基本概念介紹

• UTC：協(xié)調(diào)世界時，全世界唯一的統(tǒng)一時間；
• DST：夏令時，即不同國家不同地區(qū)的時間是不同的；
• 時區(qū)是以UTC偏移量的形式表示的。例如，夏令時期間，紐約比UTC慢4小時，而全年其他時間比UTC慢5小時；

二、Python中的時區(qū)第三方庫pytz

import pytz

1.通過common_timezone可以獲得所有時區(qū)的名稱

pytz.common_timezones[-5:]

['US/Eastern', 'US/Hawaii', 'US/Mountain', 'US/Pacific', 'UTC']

2.通過timezone可以獲取時間對象

tz = pytz.timezone('US/Eastern')tz

<DstTzInfo 'US/Eastern' LMT-1 day, 19:04:00 STD>

三、本地化和轉(zhuǎn)換

1.pandas中的時間序列默認是naive時區(qū)，也就是沒有時區(qū)的

rng = pd.date_range('3/9/2018 22:29',periods=5,freq='D') # 生成范圍日期時可以加上時區(qū)信息ts = pd.Series(np.random.randn(len(rng)),index=rng)ts

2018-03-09 22:29:00   -0.4222592018-03-10 22:29:00   -0.4115702018-03-11 22:29:00    0.4996412018-03-12 22:29:00    0.8911932018-03-13 22:29:00   -0.966908Freq: D, dtype: float64

2.通過tz_localize方法可以為沒有時區(qū)的時間序列賦予時區(qū)

ts_utc = ts.tz_localize('UTC')ts_utc

2018-03-09 22:29:00+00:00   -0.4222592018-03-10 22:29:00+00:00   -0.4115702018-03-11 22:29:00+00:00    0.4996412018-03-12 22:29:00+00:00    0.8911932018-03-13 22:29:00+00:00   -0.966908Freq: D, dtype: float64

3.一旦時間序列被本地化到某個特定時區(qū)，就可以用tz_convert將其轉(zhuǎn)換到別的時區(qū)了

ts_eastern = ts_utc.tz_convert('US/Eastern')ts_eastern

2018-03-09 17:29:00-05:00   -0.4222592018-03-10 17:29:00-05:00   -0.4115702018-03-11 18:29:00-04:00    0.4996412018-03-12 18:29:00-04:00    0.8911932018-03-13 18:29:00-04:00   -0.966908Freq: D, dtype: float64

ts_eastern.tz_convert('UTC')

2018-03-09 22:29:00+00:00   -0.4222592018-03-10 22:29:00+00:00   -0.4115702018-03-11 22:29:00+00:00    0.4996412018-03-12 22:29:00+00:00    0.8911932018-03-13 22:29:00+00:00   -0.966908Freq: D, dtype: float64

4.tz_localize和tz_convert也是DatetimeIndex的實例方法

ts.index.tz_localize('Asia/Shanghai')

DatetimeIndex(['2018-03-09 22:29:00+08:00', '2018-03-10 22:29:00+08:00',               '2018-03-11 22:29:00+08:00', '2018-03-12 22:29:00+08:00',               '2018-03-13 22:29:00+08:00'],              dtype='datetime64[ns, Asia/Shanghai]', freq='D')

四、操作時區(qū)意識型(time zone-aware)Timestamp對象

1.Timestamp對象也能被從navie本地化為時區(qū)意識型(time zone-aware)

stamp = pd.Timestamp('2018-7-5 22:40')stamp

Timestamp('2018-07-05 22:40:00')

stamp_utc = stamp.tz_localize('utc')

2.創(chuàng)建Timestamp時，還可以傳入一個時區(qū)信息

stamp_moscow = pd.Timestamp('2018-7-5 22:41',tz='Europe/Moscow')stamp_moscow

Timestamp('2018-07-05 22:41:00+0300', tz='Europe/Moscow')

3.時區(qū)意識型Timestamp對象內(nèi)部保存了一個utc時間戳值，這個值在時區(qū)的轉(zhuǎn)換過程中是不會變化的

print(stamp_utc.value)print(stamp_utc.tz_convert('US/Eastern').value)

15308304000000000001530830400000000000

4.當(dāng)使用日期偏移量執(zhí)行計算時，運算過程會自動關(guān)注是否存在夏令時轉(zhuǎn)變期

from pandas.tseries.offsets import Hour

stamp = pd.Timestamp('2012-03-12 01:30',tz='US/Eastern')print(stamp)print(stamp+Hour()) # 不涉及夏令時轉(zhuǎn)變期

2012-03-12 01:30:00-04:002012-03-12 02:30:00-04:00

stamp = pd.Timestamp('2012-11-04 00:30',tz='US/Eastern')print(stamp)print(stamp+Hour(2)) # 涉及夏令時轉(zhuǎn)變期

2012-11-04 00:30:00-04:002012-11-04 01:30:00-05:00

五、不同時區(qū)之間的運算

兩個時間序列的時區(qū)不同，在將它們合并到一起時，最終結(jié)果就會是UTC。

rng = pd.date_range('7/5/2018 22:50',periods=10,freq='B')ts = pd.Series(np.random.randn(len(rng)),index=rng)

ts1 = ts[:7].tz_localize('Europe/London')ts2 = ts1[2:].tz_convert('Europe/Moscow')

ts1

2018-07-05 22:50:00+01:00    0.8162652018-07-06 22:50:00+01:00   -0.5162422018-07-09 22:50:00+01:00    0.3591662018-07-10 22:50:00+01:00   -2.2383962018-07-11 22:50:00+01:00   -1.5163652018-07-12 22:50:00+01:00   -1.7348322018-07-13 22:50:00+01:00   -0.063531Freq: B, dtype: float64

ts2

2018-07-10 00:50:00+03:00    0.3591662018-07-11 00:50:00+03:00   -2.2383962018-07-12 00:50:00+03:00   -1.5163652018-07-13 00:50:00+03:00   -1.7348322018-07-14 00:50:00+03:00   -0.063531Freq: B, dtype: float64

result = ts1 + ts2result

2018-07-05 21:50:00+00:00         NaN2018-07-06 21:50:00+00:00         NaN2018-07-09 21:50:00+00:00    0.7183322018-07-10 21:50:00+00:00   -4.4767922018-07-11 21:50:00+00:00   -3.0327312018-07-12 21:50:00+00:00   -3.4696632018-07-13 21:50:00+00:00   -0.127062Freq: B, dtype: float64